Публикации по теме 'deep-learning'
Понимание наивного Байеса
Наивный байесовский алгоритм — это простой и мощный алгоритм, который помогает компьютерам учиться на данных. Он называется «наивным», потому что предполагает, что все признаки независимы, что не всегда верно.
Представьте, что вы детектив, пытающийся раскрыть преступление. У вас есть список подозреваемых и некоторые улики. Вы знаете, что у подозреваемого каштановые волосы, высокий рост и татуировка. Вы также знаете, что жертва сказала, что подозреваемый был одет в красную рубашку...
Как вы должны измерить успех модели машинного обучения?
В каждой организации есть одна команда, ответственная за создание модели машинного обучения, которая используется многими командами в ней, у этих команд могут быть разные представления о том, что определяет успешную модель.
допустим, вы строите модель для выявления дефектных продуктов по изображениям.
- Исследователь данных, ваша цель может состоять в том, чтобы свести к минимуму кросс-энтропийные потери вашей модели.
– С другой стороны, менеджер по продукту может захотеть..
Выявление рака меланомы с помощью глубокого обучения - часть 3
В Части 1 и Части 2 мы разработали неглубокую и более глубокую CNN для обнаружения наличия рака меланомы по изображениям поражений. Мы экспериментировали с такими методами, как пакетная нормализация, прерывание, нормализация локального отклика, простое увеличение данных, стандартизация изображений и т. Д. И смогли достичь точности 93,81%. Хотя этот показатель точности не является чем-то выдающимся (из-за несбалансированности данных), но он вдохновил и побудил нас пойти немного глубже :)..
Работа с теоремой Силова, часть 1 (продвинутая математика)
Обобщения теорем Лагранжа и Силова для группоидов (arXiv)
Автор: Густав Бейер , Кристиан Гарсия , Уэсли Г. Лаутеншлегер , Джулиана Педротти , Таиса Тамусюнас .
Аннотация: Мы показываем метод классификации конечных группоидов и обсуждаем мощность смежных классов и ее связь с индексом. Мы доказываем обобщение теоремы Лагранжа и устанавливаем теорию Силова для группоидов.
2.Теоремы Силова для ∞-групп (arXiv)
Автор : Matan Prasma , Tomer M. Schlank
Аннотация: Рассмотрение..
Работа с нейронными сетями передачи сообщений, часть 4 (машинное обучение)
Нейронная сеть для передачи сообщений с исходной информацией в виде графа (arXiv)
Автор: Лю Сяо , Чжан Лицзюнь , Хуэй Гуань .
Аннотация: Нейронные сети передачи сообщений (MPNN) изучают представление данных с графовой структурой на основе исходной информации графа, включая особенности узлов и структуры графов, и продемонстрировали удивительное улучшение в задачах классификации узлов. Однако выразительная сила MPNN ограничена сверху тестом Вейсфейлера-Лемана первого порядка, и его..
Учебный курс по продвинутому искусственному интеллекту — Часть 3 — Введение в глубокое обучение
Это третье видео из новой серии из 12+ видео от eXacognition, которую меня попросили разработать в качестве вводного двухдневного буткемпа для руководителей, не являющихся разработчиками и докторами наук, на сайтах их клиентов. Они согласились выпустить большую часть презентационных видеороликов, которые я сделал в первый день, чтобы познакомить всех с ИИ и разработкой ИИ.
В этих видео нет ничего слишком сложного, и содержание экрана важнее моей бессвязной речи. Не включены панели..
Запущена новая публичная демо-версия!
Позвольте с гордостью представить вам нашу новую публичную демонстрацию. В течение долгого времени люди просили нас иметь возможность быстро протестировать нашу технологию искусственного интеллекта.
Посмотрите это в действии здесь: demo.niland.io
Основная технология Niland состоит из двух функций: автоматической пометки и предложения акустически похожих треков.
Эта технология предназначена для создания лучших механизмов рекомендаций для пользователей музыкальных приложений. Быстрый..
Новые материалы
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..
ИИ в аэрокосмической отрасли
Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..